Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > stat > arXiv:2507.11895

帮助 | 高级搜索

统计学 > 机器学习

arXiv:2507.11895 (stat)
[提交于 2025年7月16日 ]

标题: Newfluence:在高维空间中提升模型可解释性和理解能力

标题: Newfluence: Boosting Model interpretability and Understanding in High Dimensions

Authors:Haolin Zou, Arnab Auddy, Yongchan Kwon, Kamiar Rahnama Rad, Arian Maleki
摘要: 随着机器学习(ML)和人工智能(AI)模型的复杂性不断增加,对于帮助科学家、工程师和政策制定者解释和优化模型决策和预测的工具的需求变得越来越迫切。 影响函数起源于稳健统计学,已成为一种流行的方法。 然而,影响函数的启发式基础依赖于低维假设,其中参数数量$p$远小于观测数量$n$。 相比之下,现代AI模型通常在高维环境中运行,具有较大的$p$,这挑战了这些假设。 在本文中,我们研究了高维环境下影响函数的准确性。 我们的理论和实证分析表明,影响函数无法可靠地实现其预期目的。 然后,我们引入了一种替代近似方法,称为Newfluence,它在保持相似计算效率的同时提供了显著改进的准确性。 预计Newfluence将为解释复杂AI模型和诊断其问题提供比许多现有方法更准确的见解。 此外,本文中开发的高维框架也可以用于分析其他流行的技巧,例如Shapley值。
摘要: The increasing complexity of machine learning (ML) and artificial intelligence (AI) models has created a pressing need for tools that help scientists, engineers, and policymakers interpret and refine model decisions and predictions. Influence functions, originating from robust statistics, have emerged as a popular approach for this purpose. However, the heuristic foundations of influence functions rely on low-dimensional assumptions where the number of parameters $p$ is much smaller than the number of observations $n$. In contrast, modern AI models often operate in high-dimensional regimes with large $p$, challenging these assumptions. In this paper, we examine the accuracy of influence functions in high-dimensional settings. Our theoretical and empirical analyses reveal that influence functions cannot reliably fulfill their intended purpose. We then introduce an alternative approximation, called Newfluence, that maintains similar computational efficiency while offering significantly improved accuracy. Newfluence is expected to provide more accurate insights than many existing methods for interpreting complex AI models and diagnosing their issues. Moreover, the high-dimensional framework we develop in this paper can also be applied to analyze other popular techniques, such as Shapley values.
主题: 机器学习 (stat.ML) ; 机器学习 (cs.LG); 方法论 (stat.ME)
引用方式: arXiv:2507.11895 [stat.ML]
  (或者 arXiv:2507.11895v1 [stat.ML] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.11895
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Haolin Zou [查看电子邮件]
[v1] 星期三, 2025 年 7 月 16 日 04:22:16 UTC (120 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
stat.ML
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.LG
stat
stat.ME

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号